-
Correção de distorções geométricas e radiométricas de imagens
RapidEye
para detecção de mudanças
Rômulo Weckmüller 1
Raúl Sánchez Vicens 1
1 Universidade Federal Fluminense – UFF
Programa de Pós-Graduação em Geografia (PPGEO)
Av. Litorânea s/n – CEP: 24.210-340 – Niterói – RJ, Brasil
[email protected]
[email protected]
Abstract. The remote sensing images are subject to various
sources of errors that cause geometric and
radiometric distortions. These distortions may represent false
changes, which affect the accuracy of the process
of change detection. Moreover, RapidEye® is a constellation of
five satellites with five different sensors that can
have distortions between them or the same sensor temporally.
This paper aims to propose and evaluate
methodologies of preprocessing to fix three RapidEye images
(dated 2009, 2010 and 2011), preparing them for
the process of change detection. For this the group of tools
called Auto Synk, from Erdas®, were used to register
the images of 2010 and 2011, with 2009 image serving as base. A
subpixel error was found for both (0.5). The
radiometric correction was made in two parts. Firstly, image of
2009 was submitted to the process of subtraction
of dark pixels (DOS), using tools from Envi® e ArcGis®. After
DOS process, pseudo-invariant points (PIFs)
were collected in the other images (2010 and 2011), to generate
a scatter plot of these same points in the base
image (2009). The linear equations generated by these graphs
were used for the process of radiometric
normalization of images. The approximation of the trend lines in
the charts of normalized images with the base
image proved the effectiveness of this method.
Palavras-chave: preprocessing, image registration, radiometric
normalization, pré-processamento, registro de
imagens, normalização radiométrica.
1. Introdução
A aquisição de imagens por sensoriamento remoto está sujeita a
erros de variadas fontes.
A maioria devido aos defeitos que os sensores possam apresentar
ao longo de sua vida útil, e
por perdas de estabilidade da plataforma que aloja o sensor. Mas
há também erros originários
de fatores externos que, de acordo com Meneses e Almeida (2012),
formam um conjunto
composto por deformações de escala, incorreções nas posições
espaciais dos pixels, perda de
contraste entre os alvos ou registros incorretos dos valores
digitais dos pixels. Os autores
ressaltam que quando o pesquisador utiliza uma imagem, é
necessário corrigi-la, ou
compensá-la dos erros que apresenta. Algumas dessas correções
são realizadas
antecipadamente à distribuição das imagens, pelas empresas ou
órgãos fornecedores,
enquanto outras cabem, exclusivamente, à decisão do usuário.
As correções destas distorções fazem parte do conjunto de
funções de processamento que
se denomina pré-processamento. São várias as técnicas de
pré-processamento, pois as mesmas
se ajustam ao tipo de estrutura do erro, sabendo-se previamente
sua fonte de distorção.
Constitui uma importante etapa de processamento, pois suaviza o
efeito dos erros nos
processamentos subsequentes (Meneses e Almeida, 2012).
Para a detecção de mudanças na paisagem, o pré-processamento é
de fundamental
importância, pois minimiza diferenças geométricas e
radiométricas entre as imagens que
podem resultar em falsas mudanças (Mas, 1999). De acordo com
Coppin e Bauer (1996),
estas falsas mudanças podem ser resultantes das diferenças de
absorção e espalhamento
atmosféricos devido a variações no vapor de água e/ou
concentrações de aerossóis na
atmosfera em momentos distintos no tempo, diferentes ângulos do
posicionamento solar no
momento de aquisição, problemas de calibração dos sensores,
entre outros problemas já
previamente citados.
Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR,
João Pessoa-PB, Brasil, 25 a 29 de abril de 2015, INPE
0858
-
Lu et al. (2004) destacam que antes de implementar a detecção de
mudanças, as seguintes
condições devem ser atendidas: (1) um registro preciso das
imagens multitemporais; (2)
correção atmosférica ou normalização radiométrica entre as
imagens; (3) estados fenológicos
semelhantes entre as imagens; e (4) seleção de imagens com mesma
resolução espacial e
espectral, se possível. Coppin e Bauer (1996) consideram as
correções geométricas e
radiométricas como as mais importantes técnicas de
pré-processamento para a detecção de
mudanças. Desta maneira, pretende-se aprofundar mais estes tipos
de correções neste artigo,
destacando suas premissas e os resultados obtidos para as
imagens RapidEye na área de
estudo, localizada na Figura 1.
Figura 1. Localização da área de estudo.
2. Metodologia de Trabalho
2.1 Aquisição das imagens RapidEye
O RapidEye corresponde a uma constelação de cinco satélites e
começou a operar em
agosto de 2008. Lu et al. (2014) acrescentam que o RapidEye
representa novas oportunidades
e boas perspectivas nos estudos de mudanças, especialmente nas
detecções de alterações na
cobertura terrestre.
As imagens RapidEye utilizadas neste trabalho fazem parte do
banco de dados do
Laboratório de Geografia Fìsica (LAGEF) da UFF. Elas foram
adquiridas com um nível de
processamento 3A. Neste nível, as imagens já vem
ortorretificadas, com os pixels
reamostrados para 5 x 5 m² e formatados em imagens com tamanho
de 25 x 25 km² (625 km²
de área). De acordo com Machado e Silva et al. (2013), o
processo de correção geométrica do
nível 3A faz uso dos dados de efemérides e atitude do satélite,
do modelo de visada da
câmera, além de pontos de controle e modelo digital de elevação.
Mais informações sobre as
imagens utilizadas estão na Tabela 1.
Tabela 1. Informações das imagens RapidEye utilizadas na
pesquisa
Data Sensor Res. Espacial Nível processamento
19/04/2009 RE4 - Choros 5 m 3A
19/08/2010 RE5 - Trochia 5 m 3A
04/09/2011 RE4 - Choros 5 m 3A
2.2 Correção Geométrica
O registro das imagens foi realizado no software Erdas 2013,
através da extensão de
ferramentas AutoSync (Figura 2), que permite o registro de
imagens de maneira
semiautomática, pois possui um algoritmo matemático que busca
similaridades espectrais e
Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR,
João Pessoa-PB, Brasil, 25 a 29 de abril de 2015, INPE
0859
-
texturais entre as imagens, para definir pontos homólogos entre
elas. O usuário deve informar
ao software pelo menos entre quatro e cinco pontos comuns entre
a imagem base e a imagem
a ser registrada. Após isso, configura-se a porcentagem de
similaridade desejada e o algoritmo
de reamostragem. Assim, o AutoSync gera novos pontos de
controle, com exatidão sub-pixel,
sendo bem mais eficiente e rápido que o método tradicional de
registro manual, que é
totalmente dependente da precisão visual do pesquisador.
Figura 2. Tela principal de um projeto no AutoSynk, com a imagem
base à direita e tabela de
pontos manuais e automáticos (APM). RapidEye composição RGB
352.
As cenas de 2010 e 2011 foram registradas com base na de 2009.
Para tal, até oito pontos
de controle foram inseridos manualmente na imagem a ser
registrada, de uma maneira bem
dispersa e espaçada. Os pontos automáticos foram gerados com
mais de 90% de similaridade.
Foi utilizada a equação polinomial de 1ª ordem, que permite um
maior ajuste na imagem, e o
método de reamostragem pelo vizinho mais próximo (Figura 3).
2.3 Correção Radiométrica
Um fator fundamental numa detecção de mudanças é a correção
radiométrica das
imagens. De acordo com Song et al. (2001), esta correção pode
ocorrer de duas formas:
absoluta e relativa.
A correção absoluta é aquela que utiliza parâmetros de
calibração do sensor e da
atmosfera. Segundo Pimenta et al. (2013), estes parâmetros podem
ser estimados, caso o
modelo adotado seja alternativo, ou medido, caso o método usado
seja o físico, que tenta
retratar a complexidade da atmosfera e sua complexa interação
com a radiação. Este último
requer muito conhecimento acerca dessas interações por parte do
pesquisador.
A correção relativa utiliza somente dados da própria imagem, não
exigindo parâmetros
atmosféricos. Dos diversos métodos existentes, dois foram
escolhidos: a subtração dos objetos
escuros e a normalização radiométrica. A associação destes é uma
proposta de Cronemberger
(2014), adaptada para este trabalho, como uma tentativa de
aproximação espectral das
imagens com a realidade, permitindo o uso de índices de
vegetação, e uma aproximação
espectral das imagens entre si, otimizando a detecção de
mudanças.
Object Dark Subtraction
A subtração de objetos escuros, na literatura vista como object
dark subtraction (DOS),
talvez seja, de acordo com Song et al. (2001), a mais simples
técnica de correção atmosférica.
Estes autores realizaram um extenso trabalho comparando nove
técnicas de correção
Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR,
João Pessoa-PB, Brasil, 25 a 29 de abril de 2015, INPE
0860
-
atmosférica, das mais simples às mais complexas, analisando sua
influência na acurácia de
uma detecção de mudanças. Embora os mais simples algoritmos de
correção atmosférica não
sejam tão precisos quanto os mais complicados, na estimativa de
reflectância de superfície,
eles fazem um trabalho melhor de reduzir as diferenças entre as
imagens multitemporais.
Dentre eles, o DOS foi o que apresentou os melhores
resultados.
O DOS, proposto por Chavez Jr. (1988), defende que em toda cena
e em qualquer banda
espectral, existem pixels que deveriam assumir o valor zero, uma
vez que estes pixels não
poderiam receber e refletir radiação, ou ainda absorvê-la por
completo (sombras na região do
visível ou corpos d’água límpidos na região do infravermelho
próximo, por exemplo). Caso
estes pixels apresentem valores maiores que zero, o valor
excedente deve ser explicado pela
interferência aditiva do espalhamento atmosférico (Ponzoni e
Shimabukuro, 2009). Após a
identificação destes valores excedentes em cada banda, o mesmo é
subtraído dos pixels,
considerando a interferência atmosférica como sendo uniforme em
toda a cena.
A ferramenta Dark Subtraction, do software Envi 5, foi utilizada
para definir o número de
pixels que deveria ser subtraído de cada banda. Após efetuar a
operação, esta ferramenta gera
uma imagem DOS. Este processo foi aplicado somente na imagem de
2009, que mais uma vez
servirá de base, porém agora para o processo de normalização
radiométrica.
Normalização Radiométrica
Para a maioria das séries históricas de imagens de satélites não
existem informações
associadas às condições atmosféricas, iluminação, entre outras.
Em função disso, Canty et al.
(2004) acreditam que a normalização baseada na informação
radiométrica intrínseca às
imagens é uma alternativa sempre que a radiância absoluta da
superfície não é necessária,
como, na detecção de mudanças e classificação da cobertura da
terra.
Normalizar radiometricamente duas imagens de datas distintas tem
como objetivo
compatibilizar as amplitudes dos níveis de cinza (NC) dos
elementos de imagem em cada
banda espectral de uma série multitemporal de imagens
(Cronemberger, 2014). Sendo assim a
normalização radiométrica pode ser considerada uma correção
relativa que consiste em
minimizar diferenças radiométricas entre imagens, para que as
mesmas possam ser
comparadas ou classificadas em conjunto.
Proposta por Hall et al. (1991), com o nome de Retificação
Radiométrica, a normalização
desenvolvida por estes autores consiste no uso de um conjunto de
dados de controle entre a
imagem base e a imagem a ser normalizada, formado por pixels
claros e escuros, invariantes
ao longo do tempo, para construir um gráfico de correlação
linear para cada banda entre as
cenas. A equação deste gráfico é então utilizada no processo de
normalização.
Acredita-se que ao invés de utilizar um conjunto de dados de
controle, seria mais efetivo
utilizar formas pseudo invariantes, o que a literatura chama de
PIFs (pseudo-invariant
features), o que de acordo com Song et al. (2001), representam
formas bem definidas
espacialmente e espectralmente estáveis ao longo do tempo.
A coleta destes PIFs pode ser feita de várias maneiras. Uma
delas seria a geração de
pontos aleatórios, sendo escolhidos aqueles que possuem menor
diferença entre si, o que
aponta para possíveis áreas estáveis. Porém, este método é
questionável no sentido de talvez
não atender a heterogeneidade das classes de uma imagem, pois os
pontos resultantes desta
filtragem podem estar predominantemente em corpos d’água, por
exemplo. Sendo assim, a
obtenção dos PIFs neste trabalho foi adaptada do trabalho de
Cronemberger (2014), que
consiste na coleta de pelo menos trinta pontos invariantes por
classe, manualmente, que
represente toda a heterogeneidade da classe e da cena.
Foram coletados cerca de 300 PIFs representativos das classes
observadas na imagem,
considerados invariantes de 2009 a 2011, portanto aptos ao
processo de normalização. Após a
extração dos números digitais destes pontos, em cada banda de
cada imagem, os gráficos de
Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR,
João Pessoa-PB, Brasil, 25 a 29 de abril de 2015, INPE
0861
-
dispersão, com as respectivas equações lineares foram gerados. A
coluna Y é composta pela
imagem base e a coluna X pela imagem a ser normalizada.
Em seguida, foi utilizada a ferramenta Raster Calculator, do
software ArcGis 10.1, para a
aplicação dos números obtidos através das equações lineares nas
imagens de 2010 e 2011,
gerando imagens normalizadas radiometricamente. Em seguida,
novos gráficos foram
gerados, desta vez entre a imagem de 2009 e as imagens
normalizadas, com o objetivo de
avaliar a qualidade do processo (Figura 3).
Figura 3. Fluxograma metodológico das correções nas imagens.
3. Resultados e Discussão
O registro das imagens no Auto Synk possibilitou uma maior de
uma maneira mais
rápida. A Tabela 2 apresenta mais informações sobre o processo
de registro, como o RMS
obtido em cada cena, a quantidade de pontos manuais e
automáticos, entre outros. Pode-se
perceber resultados parecidos entre as imagens, com precisão
sub-pixel, o que certamente é
importante para a aplicação de uma detecção de mudanças.
Tabela 2. RMS e desvio-padrão resultantes do processo de
registro no AutoSync.
Data
cena
Pontos
manuais
Pontos
automáticos
Similaridade
(%) RMS
Desvio-
padrão
Ordem equação
polinomial
2010 8 6 97 0.45 0.25 1ª
2011 7 11 96 0.49 0.24 1ª
A subtração dos pixels escuros foi realizada por banda, com base
na Tabela 3. Estes
números foram obtidos observando o comportamento espectral dos
objetos, que juntamente
com a ferramenta Dark Subtraction, geraram uma imagem DOS,
corrigida relativamente dos
efeitos de espalhamento da atmosfera. Analisando a Figura 4, que
compara a imagem DOS
com a original, percebe-se um escurecimento na primeira,
ressaltando feições na classe
antrópica, que na imagem original se confundem devido aos altos
valores dos níveis de cinza.
Tabela 3. Números de pixels a serem subtraídos por banda.
Bandas da imagem RapidEye Comprimento de onda (nm) Pixels a
serem subtraídos
Azul 440 – 685 3560.51262
Verde 520 – 590 1912.12465
Vermelho 630 – 685 603.09026
Vermelho-borda 690 – 730 793.00991
Infravermelho 760 – 850 716.81330
Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR,
João Pessoa-PB, Brasil, 25 a 29 de abril de 2015, INPE
0862
-
Figura 4. Contraste entre à imagem original (à esq.) e a imagem
DOS (à dir.). Recorte da cena
RapidEye de 2009, composição RGB 321. Mapa dos autores.
As Figuras 5 e 6 representam as imagens antes e depois da
normalização. A equação
em preto foi utilizada para gerar as imagens normalizadas e a
equação em vermelho é
resultante da correlação entre a imagem base e a normalizada.
Nesta, observa-se valores de X
e Y bem aproximados, com uma reta linear próxima aos 45º, o que
denota um bom resultado
na normalização. Os pontos azuis representam os PIFs. Pela sua
proximidade com a reta
linear pode-se afirmar que os mesmos representam possíveis
pontos invariantes, o que nos
leva a crer que o processo de coleta destes PIFs manualmente e
por classe, mesmo sendo mais
demorado, foi importante para a boa correlação obtida. Vale
ressaltar, porém, que caso a série
temporal e área de estudo sejam maiores, o uso da técnica de
geração de PIFs aleatórios,
seguida de uma filtragem por limiar, talvez seja a mais
indicada, por demandar menos tempo.
Figura 5. Normalização radiométrica da imagem de 2010 e sua
avaliação.
Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR,
João Pessoa-PB, Brasil, 25 a 29 de abril de 2015, INPE
0863
-
Figura 6. Normalização radiométrica da imagem de 2011 e sua
avaliação.
Analisando as duas retas lineares nos gráficos, a
não-normalizada (preta) e a
normalizada (vermelha), observa-se um distanciamento decrescente
entre elas da banda 1 a 5,
ou seja, as bandas com menores comprimentos sofreram as maiores
modificações no processo
de normalização. O que se mostra coerente com a Tabela 3, visto
que o número de pixels
subtraídos destas bandas também decresceu, excetuando-se na
banda do vermelho.
4. Considerações Finais
O método semiautomático escolhido para a correção geométrica
mostrou-se efetivo, pois
alcançou erros a nível subpixel, em menor tempo que o método
manual tradicional. Conclui-
se que o grupo de ferramentas Auto Synk representa um método
confiável e prático de registro
de imagens de satélite.
A subtração dos objetos escuros, apesar de simples, foi
considerada um bom método
relativo de correção atmosférica. Sua associação com a
normalização radiométrica mostrou-se
capaz de diminuir as distorções radiométricas entre as imagens,
o que para um processo de
detecção de mudanças por analise direta ou pré-classificação é
fundamental.
Fica a necessidade de aprofundar os estudos nessas metodologias
de pré-processamento,
testando sua aplicabilidade em séries temporais maiores e outros
satélites, com distintas
resoluções espaciais, espectrais e radiométricas, para
entendermos como estes métodos
associados se comportam em outros cenários, e se os resultados
continuam otimizando uma
detecção de mudanças.
Agradecimentos
Os autores agradecem ao Laboratório de Geografia Física (LAGEF),
da Universidade
Federal Fluminense (UFF); à Fundação Carlos Chagas Filho de
Amparo à Pesquisa do Estado
do Rio de Janeiro (FAPERJ) e a Coordenação de Aperfeiçoamento de
Pessoal de Nível
Superior (Capes), pelo apoio a esta pesquisa.
Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR,
João Pessoa-PB, Brasil, 25 a 29 de abril de 2015, INPE
0864
-
Referências Bibliográficas
Canty, M.J; Nielsen, A.A; Schmidt, M. Automatic radiometric
normalization of multitemporal satellite imagery.
Remote Sensing of Enviroment, v. 91, p. 441-451, 2004.
Chavez Jr., P.S. An improved dark-object subtraction technique
for atmospheric scattering correction of multi-
spectral data. Remote Sensing of Environment, v. 24, p. 459–479,
1988.
Coppin, P.R.; Bauer, M.E. Digital change detection in forest
ecosystems with remote sensing imagery. Remote
Sensing Reviews, v. 13, p. 207–234, 1996.
Cronemberger, F.M. Paisagens da Serra do Mar: uma análise
geoecológica da dinâmica da paisagem. 2014. 133
p. Tese (Doutorado em Geografia), Universidade Federal
Fluminense, Niterói, RJ, 2014.
Hall, F.G..; Strebel, D.E.; Nickeson, J.E.; Goetz, S.J.
Radiometric Rectification: toward a common radiometric
response among multidate, multisensor images. Remote Sensing of
Environment, v. 35, p. 11-27, 1991.
Lu, D.; Li, G.; Moran, E. Current situation and needs of change
detection techniques. International Journal of
Image and Data Fusion, v. 5, n. 1, pp. 13-38, 2014.
Lu D.; Mausel, P.; Brondizio, E.; Moran, E. Change detection
techniques. International Journal of Remote
Sensing, v. 25, n° 12, p. 2365-2407, 2004.
Machado e Silva, A.; Eduardo, B.; Fazan, A. Avaliação da
Qualidade Geométrica das Imagens RapidEye
Ortorretificadas. Anais do XVI Simpósio Brasileiro de
Sensoriamento Remoto. Foz do Iguaçu, PR. INPE, p.
1213-1220, 2013.
Mas, J.F. Monitoring land-cover changes: a comparison of change
detection techniques. International Journal
of Remote Sensing, v. 20, n. 01, p. 139-152, 1999.
Meneses, P.R.; Almeida, T. Introdução ao processamento de
imagens de sensoriamento remoto. Brasília-
DF: UnB, 2012. 276 p.
Pimenta, M.L.F.; Coura, P.H.F.; Cruz, C.B.M.; Lacerda, E.R.
Estudo das incertezas da definição de parâmetros
no processo de correção atmosférica. Anais XVI Simpósio
Brasileiro de Sensoriamento Remoto. Foz do
Iguaçu, PR. INPE, p. 1915-1922, 2013.
Ponzoni; F.J.; Shimabukuro, Y.E. Sensoriamento Remoto no Estudo
da Vegetação. São José dos Campos-SP:
Ed. Parêntese, 2ª edição, 2009. 144 p.
Song, C.; Woodcock, C.E.; Seto, K.C.; Lenney, M.P.; Macomber,
S.A. Classification and Change Detection
Using Landsat TM Data: When and How to Correct Atmospheric
Effects? Remote Sensing of Environment, v.
75, p. 230–244, 2001.
Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR,
João Pessoa-PB, Brasil, 25 a 29 de abril de 2015, INPE
0865